Python 如何使用我的numpy阵列（3000,3）和（3,23000）进行广播

我目前有两个数组，形状为v1=（3000,3）和v2=（3,23000）。3000是一个时间维度，因此v1有3000（1,3）个样本，v2有3000（3,2）个样本。我希望做矩阵乘法并沿着3000维广播，这样我得到3000（1,2）个向量作为回报

我已经尝试过重塑，使v1=（1,33000）和v2=（3,2300），这会给出一个错误，表示形状没有对齐

代码：

---

使用形状为

（3000,3）

和

v2

的

v1

作为

（3,23000）

，我们可以使用-

这给了我们一个shape

（3000,2）

的输出

---

我们可以在

np.einsum

中使用

optimize

arg。使用

optimize=True

，它在内部利用

BLAS

，使用

optimize=False

求助于简单的C循环。这种

BLAS

方式也需要一些设置工作。因此，对于经过总和缩减的轴的适当长度，我们可能希望将该标志设置为

True

，否则设置为

False

。在这种情况下，这些轴似乎很短，因此我们最好使用默认值：

optimize=False

input。

我建议您不要使用

optimize=True

标志，因为出于某种奇怪的原因，它是有效的。另外，如果最终需要2D数组作为最终结果，我建议您显式地将2D数组升级为3D，执行批处理矩阵乘法，然后压缩结果数组的单态维数。请查找以下代码：

# sample arrays
In [25]: v1 = np.random.random_sample((3000, 3))
In [26]: v2 = np.random.random_sample((3, 2, 3000))

# Divakar's approach
In [27]: %timeit np.einsum('ij,jki->ik',v1,v2, optimize=True)
80.7 µs ± 792 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# needed for future use
In [28]: res_optimized = np.einsum('ij,jki->ik',v1,v2, optimize=True)

# promoting to 3D array and swapping axes
In [29]: v1 = v1[:, np.newaxis, :]
In [30]: v2 = np.moveaxis(v2, 2, 0)

# perform batch matrix multiplication
In [31]: %timeit np.einsum("bij, bjk -> bik", v1, v2)
47.9 µs ± 496 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# for sanity checking
In [32]: res = np.einsum("bij, bjk -> bik", v1, v2)

In [33]: res.shape, res_optimized.shape
Out[33]: ((3000, 1, 2), (3000, 2))

# squeeze the singleton dimension and perform sanity check with Divakar's approach
In [34]: np.allclose(res.squeeze(), res_optimized)
Out[34]: True

因此，正如我们从上述计时中所看到的，不使用

optimize=True

标志可获得约2倍的加速比。另外，显式地将数组整形为3D可以更好地了解使用

numpy.einsum（）

时的情况

注：计时是使用最新的NumPy版本

'1.16.1'

---

---

请阅读更多关于

的信息，这等同于矩阵乘法吗？我试图阅读einsum上的文档，但它们让我感到困惑。@seanysull它在引擎盖下对张量（超过2个dims）执行矩阵乘法，利用BLAS将优化标志设置为True，与

np.dot

@Divakar相同。你知道为什么使用

optimize=True

比不使用它时消耗更多的时间吗？（请参见下面我的代码中的计时）。有没有可能它花了很多时间来优化代码？@kmario23您使用的是哪个版本的NumPy？@您是对的。已编辑的问题，并对其进行了评论。谢谢你指出这一点。

np.einsum('ij,jki->ik',v1,v2)

# sample arrays
In [25]: v1 = np.random.random_sample((3000, 3))
In [26]: v2 = np.random.random_sample((3, 2, 3000))

# Divakar's approach
In [27]: %timeit np.einsum('ij,jki->ik',v1,v2, optimize=True)
80.7 µs ± 792 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# needed for future use
In [28]: res_optimized = np.einsum('ij,jki->ik',v1,v2, optimize=True)

# promoting to 3D array and swapping axes
In [29]: v1 = v1[:, np.newaxis, :]
In [30]: v2 = np.moveaxis(v2, 2, 0)

# perform batch matrix multiplication
In [31]: %timeit np.einsum("bij, bjk -> bik", v1, v2)
47.9 µs ± 496 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# for sanity checking
In [32]: res = np.einsum("bij, bjk -> bik", v1, v2)

In [33]: res.shape, res_optimized.shape
Out[33]: ((3000, 1, 2), (3000, 2))

# squeeze the singleton dimension and perform sanity check with Divakar's approach
In [34]: np.allclose(res.squeeze(), res_optimized)
Out[34]: True